《R语言时间序列中文教程》由会员分享，可在线阅读，更多相关《R语言时间序列中文教程（41页珍藏版）》请在金锄头文库上搜索。
1、R语言时间序列中文教程2012特别声明：R语言是免费语言，其代码不带任何质量保证，使用R语舌所广生的后果由使用者负全责。刖日R语言是一种数据分析语言，它是科学的免费的数据分析语言，是凝聚了众多研究人员心血的成熟的使用范围广泛全面的语言，也是学习者能较快受益的语言。在R语言出现之前，数据分析的编程语言是SAS当时SAS的功能比较有限。在贝尔实验室里，有一群科学家讨论提到，他们研究过程中需要用到数据分析软件。SAS的局限也限制了他们的研究。于是他们想，我们贝尔实验室的研究历史要比SASK好几倍，技术力量也比SAS强好几倍，且贝尔实验室里并不缺乏训练有素的专业编程人员，那么，我们贝尔实验室为什么不自
2、己编写数据分析语言，来满足我们应用中所需要的特殊要求呢？于是，贝尔实验室研究出了S-PLUS语言。后来，新西兰奥克兰大学的两位教授非常宵睐S-PLUS的广泛性能。他们决定重新编写与S-PLUSffi似的语言，并且使之免费，提供给全世界所有相关研究人员使用。于是，在这两位教授努力下，一种叫做R的语言在奥克兰大学诞生了。R基本上是S-PLUS的翻版，但R是免费的语言，所有编程研究人员都可以对R语言做出贡献，且他们已经将大量研究成果写成了R命令或脚本，因而R语言的功能比较强大,比较全面。研究人员可免费使用R语言，可通过阅读R语言脚本源代码，学习其他人的研究成果。笔者曾有幸在奥克兰大学受过几年熏陶，曾
3、经向一位统计系的老师提请教过一个数据模拟方面的问题。那位老师只用一行R语句就解答了。R语言的强大功能非常令人惊讶。为了进一步推广R语言，为了方便更多研究人员学习使用R语言，我们收集了R语言时间序列分析实例，以供大家了解和学习使用。当然，这是非常简单的模仿练习，具体操作是，用复制粘贴把本材料中R代码放入R的编程环境；材料中蓝色背景的内容是相关代码和相应输出结果。经过反复模仿，学习者便能熟悉和学会。需要提醒学习者的是：建议学习者安装了R语言编程，再继续阅读本材料;执行R命令时，请删除命令的中文注解，没使用过在命令中加入中文；如果学习者是初次接触R或者Splus，建议先阅读，如果学习者比较熟悉R语言
4、，还可以阅读优秀时间序歹0读物EcomometricsinR，也可以上QuickR网站。目录R语言时间序列分析1前言1目录21. 运用R语言研究JJ数据32. 运用R语言研究空气污染193. 运用R语言研究自动回归移动平均集成模型224. 运用R语言研究全球变暖理论305. 运用R语言研究非独立误差与线性回归326. 运用R语言研究估计波动的频率347. 运用R语言研究厄尔尼诺频率388. 运用R语言研究太阳黑子周期频率39目录R语言时间序列分析1前言1目录21.运用R语言研究JJ数据32. 运用R语言研究空气污染193. 运用R语言研究自动回归移动平均集成模型224. 运用R语言研究全球变暖
5、理论305. 运用R语言研究非独立误差与线性回归326. 运用R语言研究估计波动的频率347. 运用R语言研究厄尔尼诺频率388. 运用R语言研究太阳黑子周期频率39jj1#thefirstelement歹0中第一个数据10.71jj84#thelastelement歹0中最后一个数据111.61jj1:4#thefirst4elements歹U中第一至第四个数据10.710.630.850.44jj-(1:80)#everythingEXCEPTthefirst80elements歹0中除第80个以外的所有数据116.2014.6716.0211.61length(jj)#thenumber
6、ofelements有多少个数据184dim(jj)#butnodimensions.但没维度NULLnrow(jj)#.norows没行NULLncol(jj)#.andnocolumns没歹UNULL#如果你要把jj变为一个向量，执行如下操作后，维度为84行1歹0。jj=as.matrix(jj)dim(jj)1841jj1#10.71jj84111.61jj1：4#thefirstelement#thelastelementthefirst4elements列中第一个数据歹0中最后一个数据列中第一至第四个数据10.710.630.850.44:80)#everythingEXCEPTth
7、efirst80elements歹0中除第80个以外的所有数据116.2014.6716.0211.61length(jj)#thenumberofelements有多少个数据184dim(jj)#butnodimensions.但没维度NULLnrow(jj)#.norows没行NULLncol(jj)#.andnocolumns没歹UNULL#如果你要把jj转变为一个向量，执行如下操作后，维度为84行1歹0。jj=as.matrix(jj)dim(jj)1841jj1#10.71jj84111.61jj1：4#thefirstelement#thelastelementthefirst4e
8、lements列中第一个数据歹0中最后一个数据列中第一至第四个数据10.710.630.850.44:80)#everythingEXCEPTthefirst80elements歹0中除第80个以外的所有数据116.2014.6716.0211.61length(jj)#thenumberofelements有多少个数据184dim(jj)#butnodimensions.但没维度NULLnrow(jj)#.norows没行NULLncol(jj)#.andnocolumns没歹UNULL#如果你要把jj转变为一个向量，执行如下操作后，维度为84行1歹0。jj=as.matrix(jj)dim
9、(jj)1841jj1#10.71jj84111.61jj1：4#thefirstelement#thelastelementthefirst4elements列中第一个数据歹0中最后一个数据列中第一至第四个数据10.710.630.850.44:80)#everythingEXCEPTthefirst80elements歹0中除第80个以外的所有数据116.2014.6716.0211.61length(jj)#thenumberofelements有多少个数据184dim(jj)#butnodimensions.但没维度NULLnrow(jj)#.norows没行NULLncol(jj)#
10、.andnocolumns没歹UNULL#如果你要把jj转变为一个向量，执行如下操作后，维度为84行1歹0。jj=as.matrix(jj)dim(jj)1841ts.plot(x,main=ts.plot(x)ts.plot(ts(x),ts(y),col=1:2,main=ts.plot(x,y)#note-xandyaretsobjects#-thehelpfiles?andhelp()arethesame:?plot.tshelp(ts.plot)?par#mightaswellskimthegraphicalparametershelpfilewhileyourehere从窗口中的显
11、示可以看出，如果数据是时间序列对象，使用plot()命令就足够了;如果数据是平常序列，使用plot.ts()也可以做时间绘图。不过，把jj数据放在一张图上，数据会随着时间的变化上上下下跳动，能从整体上反应上升或者下降的趋势。上文中用红色光滑的曲线代表上升的趋势，简单明了。这需要将过滤和光滑的技巧使用在jj数据上。在这里，我们用对称的移动平均值来达到过滤和光滑的目的。下面使用公式：fjj(t)=?jj(t-2)+?jj(t-1)+?jj(t)+?jj(t+1)+?jj(t+2)除此之外，lowess的过滤平滑技巧(蓝色曲线)也要使用在jj数据中。具体操作如下图：k=c(.5,1,1,1,.5)#
12、kisthevectorofweights用于对称移动平均的系数(k=k/sum(k)10.1250.2500.2500.2500.125fjj=filter(jj,sides=2,k)#?filterforhelpbutyouknewthatalready使用对称移动平均plot(jj)lines(fjj,col=red)#addsalinetotheexistingplot称移动平均的绘图lines(lowess(jj),col=blue”,lty=dashed)#lowess的绘图操作后，窗口会显示下面结果：Tiw看完jj数据，我们就需要开始具体分析。第一步，我们把所有jj数据都取log
13、值。第二步，我们把log值做差，即使用log值数列中第二值减去第一值，第三值减去第二值，第四值减去第三值等等。如果做差处理前数歹0里有n个数值，处理后的结果中将有n-1个数值。dljj=diff(log(jj)#differencetheloggeddata做log和差的处理plot(dljj)#plotitifyouhaventalready对结果制图shapiro.test(dljj)#testfornormality测试结果的正态分布的性质Shapiro-Wilknormalitytestdata:dljjW=0.9725,p-value=0.07211处理完毕以上两步，我们接下来就要将
14、柱形分布图和QQffl放在一起。这两个图的本质仍旧在丁测试数据正态分布的性质。数据正态分布的性质是整个统计学构架坚实的基础，如果这个性质的存在比较可信、通过了所有测试，统计分析中得出的结论就比较可信、就通得过所有测试。当然如果这个性质在数据中不存在，我们需要用其它的技巧来处理。详细的，参看R语言样品比较应用的实例。以上操作，在窗口中有如下显示：par(mfrow=c(2,1)setupthegraphics设置为两图的输出hist(dljj,prob=TRUE,12)histogram柱形分布图lines(density(dljj)smoothit-?densityfordetails柱形分布
15、图的曲线qqnorm(dljj)qqline(dljj)addaline在QQ图上加直线normalQ-QplotQQ经过测试数据后，窗口会有如下显示:HistogramofdljjJIfT-101TheoreticalQuantiles2NormalQ9Plot在实践操作中，时间序列数据存在着前后关系。例如，今天股票的价格很有可能决定明天股票的价格。明天的温度取决丁今天的气温。做天气预报的具体操作方法，是使用已经存在的天气历史记录，比如说今天的气温，昨天的气温，前天的气温等等，来预测明天的气温。当然，在进行预测之前，我们一定要看活时间序列数据中的前后关系结构，活楚哪一个特定的历史数据可以精确预测未来的数据。在这里，我们使用被log和求差后的dljj数据，来介绍分析时间序列数据前后关系结构的具体技巧。在预测的实际应用中，我们总希望用历史数据来预测即将要产生的数据。事实上，
